Détection d'incendie

et de fumée
Présentée par: Assala Iddoub
Aya Amarass
Abdelkarim Berrich
2023

Encadré par: Prof. Hajji Tarik

 CONTENT
Structure de la presentation

01 Introduction
02 Context et
solutions
avancement du Méthodologie
03 projet
04
05 Conclusion
01

Introduction
Le projet de détection d’incendie et fumée avec deep learning
vise à développer un modèle de détection automatique de feux
à partir d'images. Les feux sont une menace constante pour la
sécurité publique et l'environnement, et leur détection précoce
est cruciale pour minimiser les dommages causés par ces
derniers. Le deep learning offre une approche efficace pour la
détection automatique de feux et fumée, en permettant la
conception et l'entraînement de modèles précis et fiables.

Il peut être utilisé pour construire des modèles de détection de

feu en utilisant des techniques telles que la convolution de
l'image, la classification d'images et le traitement du signal.

1.
02

Contexte et Solution
La détection d’incendie et fumée est une préoccupation majeure
en matière de sécurité incendie dans de nombreux domaines. Un
incendie peut avoir des conséquences catastrophiques.

Ce projet peut contribuer à la prévention des incendies et à la

protection des personnes et des biens, en aidant à détecter
rapidement les feux et à minimiser les risques associés.

La solution proposée pour le projet de détection d’incendie et

fumée consiste à utiliser des réseaux de neurones convolutifs
(CNN) avec une bibliothèque de deep learning. Cette approche
permet d'extraire automatiquement les caractéristiques des
images d'incendies à partir des données d'entrée, ce qui facilite la
2.détection de feux et fumée dans les images.
 Dataset

Il est important de détecter le feu et d'avertir les

personnes responsables. Le dataset Forest Fire de
Kaggle a ete utilise pour créer des algorithmes de
détection de fumée et de feu.

3.
 Av a n c e m e n t d e s p r o j e t s
• Nous avons écrit un code pour la détection de feu et de fumée en utilisant un réseau de
neurones à convolution (CNN) en TensorFlow. Le code importe d'abord les
bibliothèques nécessaires, y compris TensorFlow et ImageDataGenerator. Ensuite, il
effectue l'augmentation de données en utilisant ImageDataGenerator pour créer plus
de données à partir des données existantes, et charge la source de données en
utilisant la méthode flow_from_directory.

• Ensuite, il initialise le CNN et ajoute trois couches de convolution avec du pooling

maximum, une couche de mise en forme, une couche complètement connectée et une
couche de sortie. L'architecture du modèle CNN semble bonne.

6.
 • Enfin, le modèle est compilé et entraîné en utilisant l'optimiseur Adam, la fonction de
perte binary_crossentropy et les métriques de précision. L'entraînement est effectué
pendant 10 époques, et un rappel ModelCheckpoint est utilisé pour enregistrer le
meilleur modèle. Les graphiques d'exactitude d'entraînement et de validation du
modèle peuvent être tracés en utilisant la variable history qui contient l'historique
d'entraînement du modèle. Dans l'ensemble, le code semble bon et peut être exécuté
pour entraîner un modèle de détection de feu et de fumée.

• Il ne reste plus qu’a ajuster le dataset et tester ce model.

7.
04
Méthodologie
• Collecter des images de feu et de non-feu pour entraîner le modèle.

• Prétraiter les images en les redimensionnant et en normalisant les pixels

pour faciliter l'entraînement.

• Diviser les données en ensembles d'entraînement, de validation et de test.

• Construire un modèle de deep learning en utilisant des couches de

convolution et de classification.

• Entraîner le modèle sur l'ensemble d'entraînement et ajuster les

hyperparamètres pour obtenir de meilleures performances.

• Évaluer le modèle sur l'ensemble de validation et d'essai pour mesurer ses

performances.

• Utilisez le modèle formé pour faire des prédictions sur de nouvelles images.
5.
05

En conclusion, le projet de à partir d'images.

détection de feux et fumée
avec deep learning est une
initiative importante pour aider En fin de compte, ce projet

Conclusion à prévenir les incendies et à peut contribuer à la sécurité

minimiser les dommages publique et à la protection de

causés par ces derniers. Le l'environnement, en aidant à

deep learning offre une prévenir les incendies et à

approche efficace pour la minimiser les risques pour les

détection automatique de feux personnes et les biens.

8.
Merci

T
2023